interpret-ir-spectrum
정보
이 스킬은 화합물의 작용기를 식별하기 위해 적외선(IR) 흡수 스펙트럼을 해석합니다. 진단 영역(4000–1500 cm⁻¹)의 특징적인 피크와 지문 영역(1500–400 cm⁻¹)의 흡수 패턴을 분석합니다. 개발자는 이를 활용하여 미지의 화합물을 동정하거나, 합성 생성물을 검증하거나, 불순물을 검출할 수 있습니다.
빠른 설치
Claude Code
추천npx skills add pjt222/agent-almanac -a claude-code/plugin add https://github.com/pjt222/agent-almanacgit clone https://github.com/pjt222/agent-almanac.git ~/.claude/skills/interpret-ir-spectrumClaude Code에서 이 명령을 복사하여 붙여넣어 스킬을 설치하세요
문서
name: interpret-ir-spectrum locale: zh-CN source_locale: en source_commit: 6f65f316 translator: claude-sonnet-4-6 translation_date: 2026-03-16 description: > 解读红外吸收光谱,通过识别诊断区(4000–1500 cm-1)的官能团特征峰和 指纹区(1500–400 cm-1)的吸收模式,确定化合物的官能团组成。用于 鉴定未知化合物、验证合成产物或检测杂质。 license: MIT allowed-tools: Read Grep Glob WebFetch WebSearch metadata: author: Philipp Thoss version: "1.0" domain: spectroscopy complexity: intermediate language: natural tags: spectroscopy, infrared, functional-groups, wavenumber, absorption
解读红外光谱
通过系统解析红外光谱,确定有机化合物的官能团组成,包括分析诊断区的特征吸收、识别氢键效应,以及利用指纹区与参考谱库进行匹配。
适用场景
- 鉴定未知化合物的官能团
- 验证合成产物的结构(确认目标官能团存在)
- 区分含相似元素比例的异构体
- 检测样品中的杂质(通过异常峰)
- 对比已知化合物的参考谱,进行样品鉴定
输入
- 必填:红外光谱(图像或数字数据,波数范围 4000–400 cm-1)
- 必填:样品制备方式(KBr 压片、ATR、液膜、溶液)
- 可选:分子式或不饱和度(用于聚焦解读)
- 可选:NMR 或 MS 数据(用于综合鉴定)
- 可选:可能的化合物类别(有机酸、胺、酯等)
步骤
第 1 步:建立官能团检查清单
在查看谱图之前,先梳理可能存在的官能团:
- 若已知分子式,计算不饱和度:
DoU = (2C + 2 + N - H - X) / 2。DoU ≥ 4 表明可能含苯环;DoU = 1 表明含一个双键或环。 - 根据化合物类别(已知的合成目标、天然产物来源等)确定可能的官能团,例如:醇、羧酸、酯、胺、酰胺、烯烃、芳香环。
- 拟定一份"期望观察到的峰"清单,以便系统核查。
## 预期官能团
| 官能团 | 预期波数(cm-1) | 优先级 |
|-------|----------------|--------|
| [官能团] | [范围] | [高/中/低] |
预期结果: 明确列出所有待验证的官能团,避免在解谱时先入为主或遗漏。
失败处理: 若完全未知化合物,则从下一步系统扫描诊断区开始。
第 2 步:扫描诊断区(4000–1500 cm-1)
系统检查高波数区域的特征峰:
| 波数范围(cm-1) | 振动类型 | 对应官能团 |
|---|---|---|
| 3600–3200 | O-H 伸缩(宽峰) | 醇、酚、羧酸 |
| 3500–3300 | N-H 伸缩(双峰) | 伯胺(两个峰);仲胺(一个峰) |
| 3300 | ≡C-H 伸缩(尖峰) | 末端炔烃 |
| 3100–3000 | =C-H 伸缩 | 烯烃、芳香族 |
| 3000–2800 | C-H 伸缩 | 烷烃(几乎普遍存在) |
| 2720–2820 | C-H 伸缩(醛双峰) | 醛(费米共振特征) |
| 2260–2100 | C≡N 或 C≡C 伸缩 | 腈或炔 |
| 1870–1600 | C=O 伸缩 | 见下表 |
| 1650–1500 | C=C 伸缩 | 烯烃(1650)、芳香族(1600、1500) |
羰基区(最重要的诊断区)详细参考:
| 化合物类型 | C=O 波数(cm-1) |
|---|---|
| 酸酐(两个峰) | 1850、1760 |
| 酯 | 1735 |
| 醛 | 1725 |
| 酮 | 1715 |
| 羧酸 | 1710(宽峰) |
| 酰胺 | 1650–1680(酰胺 I 带) |
预期结果: 所有明显的诊断区吸收峰均被识别并记录,羰基峰(若存在)准确归属到具体官能团类型。
失败处理: 若 C=O 区无峰,但 DoU ≥ 1,则考虑 C=C 双键或环。若羰基峰的位置与预期相差超过 20 cm-1,考虑氢键(降低波数)或共轭效应(降低约 20–40 cm-1)。
第 3 步:分析氢键效应
氢键会显著影响 O-H 和 N-H 峰的位置和形状:
- 游离 O-H(无氢键):尖峰,约 3600 cm-1(仅在稀溶液中可见)。
- 分子间氢键(固体或纯液体中醇类):宽峰,3200–3400 cm-1,相对游离 O-H 显著红移。
- 羧酸二聚体:极宽的 O-H 吸收,2500–3300 cm-1;C=O 峰位于约 1710 cm-1。
- 分子内氢键(如 β-二酮烯醇):在特定波数处出现锐峰或宽峰,位置固定,不随浓度变化。
区分方法:用稀溶液(约 0.01 M 在 CCl4 中)测试——若宽 O-H 峰消失或变窄,则为分子间氢键;若不随浓度变化,则为分子内氢键。
预期结果: O-H 峰的宽度和位置均能得到合理解释(游离、分子间氢键或二聚体)。
失败处理: 若 O-H 区出现宽峰,且排除了氢键作用,考虑水分污染(KBr 吸水或液膜沾水)。
第 4 步:利用指纹区进行鉴定(1500–400 cm-1)
指纹区反映整个分子的骨架振动,包含大量复杂吸收带:
- 关键指纹区峰(可直接鉴定的):
- 1250–1050 cm-1 的强峰:C-O-C 伸缩(醚、酯)
- 约 1200 cm-1:C-F 伸缩
- 750–690 cm-1:苯环 C-H 面外弯曲(取代模式诊断)
- 苯环取代模式(通过 700–900 cm-1 面外弯曲 C-H 峰):
- 单取代(一取代苯):750、700 cm-1
- 邻二取代:750 cm-1
- 间二取代:780、690 cm-1
- 对二取代:830 cm-1
- 指纹区匹配:将样品谱与已知化合物(SDBS、NIST、KBr 库)的参考谱进行比对。相同化合物的指纹区应高度吻合;结构相关但不同的化合物会呈现差异。
预期结果: 主要指纹区吸收已识别,取代模式已确定,或已与参考谱成功比对。
失败处理: 若无法与已知谱匹配,则建立一份基于诊断峰的官能团清单,结合 NMR 进行综合鉴定,而非仅依赖 IR。
第 5 步:汇总官能团清单并得出结论
整合全谱分析,形成综合性结论:
## 官能团分析总结
| 观测峰(cm-1) | 振动类型 | 归属官能团 | 置信度 |
|--------------|---------|-----------|-------|
| [波数] | [伸缩/弯曲] | [官能团] | [高/中/低] |
## 结论
- 存在:[官能团列表]
- 不存在:[排除的官能团]
- 化合物类型建议:[烷烃/醇/酸/酯/胺/…]
- 建议进一步测试:[NMR、MS?]
预期结果: 以"存在"和"不存在"两组明确区分,完整地呈现官能团清单,并提出化合物类型推测。
失败处理: 若多种解释均符合,则提出所有可能性并列出各自的区分实验(例如:醇与酚的区分可通过碱溶液实验或 UV 吸收)。
验证清单
- 诊断区(4000–1500 cm-1)的所有主要峰均已识别
- 羰基峰(若存在)已归属到具体官能团类型(±20 cm-1)
- O-H 和 N-H 区已分析并考虑了氢键效应
- 指纹区用于确认或指纹匹配
- 所有鉴定结论均已与制样方式(ATR、KBr 等)的典型峰位修正相比较
- 官能团"存在"与"不存在"的结论均明确给出
- 结论与已知分子式(若有)相符
常见问题
- 忽略制样方式对峰位的影响:ATR 谱与透射谱中的峰位略有不同(约 5–10 cm-1),且 ATR 对低波数区域的灵敏度更高。切勿将其与透射参考谱直接比较,而不作修正。
- 将宽 O-H 峰与 N-H 峰混淆:仲胺(N-H)在 3300 cm-1 附近只有一个峰,且通常比醇的 O-H 峰窄;伯胺(NH2)则显示两个峰(不对称和对称伸缩,相差约 100 cm-1)。
- 忽视 C-H 醛的双峰:醛在 2720 和 2820 cm-1 附近有特征的 C-H 费米共振双峰,这是醛的重要诊断标志,常被初学者忽视。
- 将酯与酸混淆:酯的 C=O 峰(约 1735 cm-1)高于羧酸(约 1710 cm-1),且酯无宽的 O-H 峰,而羧酸则有宽的 O-H 吸收(2500–3300 cm-1)。
- 共轭降低 C=O 波数:α,β-不饱和羰基或芳香羰基的 C=O 吸收波数低于非共轭类型约 20–40 cm-1,可能被误认为酰胺。
- 忽视大气 CO2 和水蒸气的影响:约 2350 cm-1 处的 CO2 峰和 1630 cm-1 处的 H2O 峰是仪器背景吸收,若扣除背景不理想可能残留这些峰,不应归属到化合物结构。
相关技能
interpret-nmr-spectrum— 利用 NMR 确认 IR 鉴定的官能团interpret-mass-spectrum— 结合 MS 确认分子量和分子式plan-spectroscopic-analysis— 规划最优谱学分析组合方案interpret-raman-spectrum— Raman 与 IR 互补(互斥规则),可用于区分对称振动
GitHub 저장소
연관 스킬
llamaguard
기타LlamaGuard는 폭력 및 혐오 발언 등 6가지 안전 범주에서 LLM 입력과 출력을 조정하기 위한 Meta의 70-80억 파라미터 모델입니다. 94-95% 정확도를 제공하며 vLLM, Hugging Face 또는 Amazon SageMaker를 사용해 배포할 수 있습니다. 이 기술을 사용하여 AI 애플리케이션에 콘텐츠 필터링 및 안전 가드레일을 손쉽게 통합하세요.
cost-optimization
기타이 Claude Skill은 리소스 적정화, 태깅 전략, 지출 분석을 통해 개발자들이 클라우드 비용을 최적화할 수 있도록 지원합니다. AWS, Azure, GCP에서 클라우드 비용을 절감하고 비용 거버넌스를 구현하기 위한 프레임워크를 제공합니다. 인프라 비용을 분석하거나, 리소스를 적정화하거나, 예산 제약을 충족해야 할 때 사용하세요.
quantizing-models-bitsandbytes
기타이 스킬은 bitsandbytes를 사용하여 LLM을 8비트 또는 4비트 정밀도로 양자화하며, 최소한의 정확도 손실로 50-75%의 메모리 감소를 달성합니다. 제한된 GPU 메모리에서 더 큰 모델을 실행하거나 추론을 가속화하는 데 이상적이며, INT8, NF4, FP4와 같은 형식을 지원합니다. 이 스킬은 HuggingFace Transformers와 통합되어 QLoRA 학습 및 8비트 옵티마이저를 가능하게 합니다.
dispatching-parallel-agents
기타이 Claude Skill은 3개 이상의 독립적인 문제를 동시에 조사하고 해결하기 위해 다중 에이전트를 배치합니다. 공유 상태나 의존성 없이 해결 가능한 무관련 장애 시나리오에 맞게 설계되었습니다. 핵심 기능은 병렬 문제 해결로, 각 독립 문제 영역마다 하나의 에이전트를 할당하여 효율성을 극대화합니다.
